文献

J-GLOBAL ID：201802212188480407   整理番号：18A1769003

雑音ラベルのための進行確率学習【JST・京大機械翻訳】

Progressive Stochastic Learning for Noisy Labels

著者 (5件)： Han Bo (Centre for Artificial Intelligence, University of Technology Sydney, Sydney, NSW, Australia) ,  Tsang Ivor W. (Centre for Artificial Intelligence, University of Technology Sydney, Sydney, NSW, Australia) ,  Chen Ling (Centre for Artificial Intelligence, University of Technology Sydney, Sydney, NSW, Australia) ,  Yu Celina P. (Global Business College of Australia, Melbourne, VIC, Australia) ,  Fung Sai-Fu (Department of Applied Social Sciences, City University of Hong Kong, Hong Kong)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 10  ページ： 5136-5148  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 大規模な学習問題は,低コストでクラウド消費サービスから効率的に収集できる多数のラベルを必要とする。しかしながら,密集した労働者によって注釈付けされたラベルはしばしば雑音が多く,それは必然的に一般的な確率的勾配降下(SGD)を含む大規模最適化の性能を劣化させる。特に,これらの雑音ラベルは,従来のSGDにおけるプライマル変数の更新に悪影響を与える。この挑戦を解決するために,著者らは,漸進的確率学習(郵便)と呼ばれるロバストSGD機構を提案する。それは,自然に,バニラSGDの更新プロセスとカリキュラム学習(CL)の学習領域を統合する。著者らのインスピレーションは,CLの漸進的な学習プロセス,すなわち,「簡単な」タスクから「複雑な」タスクへの学習に由来する。CLのロバストな学習過程を通して,ポストは,順序付けされたラベルシーケンス,すなわち,「信頼できる」ラベルから「雑音性」ラベルまでのプライマル変数のロバストな更新を生み出すことを目的とする。郵便機構を実現するために,信頼できる領域から雑音領域まですべてのラベルを分類する「スクリーニング損失」のクラスタを設計する。要約するために,スクリーニング損失を使用することは,最初に信頼できるラベルに関する主要な変数のロバストな更新を確実にして,次に,収束までのノイズのあるラベルに関して,理論において,著者らは損失をスクリーニングすることによって実現したポストの収束比率を引き出した。一方,代表的なスクリーニング損失のロバスト性解析を提供し,UCI~1シミュレーションとアマゾン機械的Turk混雑データセットに関する実験結果は,スクリーニング損失を用いたポストがいくつかの既存のベースラインより効果的でロバストであることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  シミュレーション ,  *学習 ,  労働者 ,  クラスタ ,  カリキュラム ,  基準線 ,  スクリーニング ,  ロバスト性
準シソーラス用語： アマゾン ,  *確率学習 ,  学習過程 ,  ロバスト性解析 ,  大規模最適化 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 雑音 ,  ラベル ,  確率学習